机工 深度学习与图像处理:基础、进阶与案例实战 郭业才

-----
本书分为基础、进阶、实战三部分，共11章。基础部分，包括Python环境与基础、机器学习、图像处理基础、深度学习基础与深度神经网络。进阶部分，包括图神经网络、空洞多级卷积神经网络、深度强化学习与深度生成对抗网络。实战部分，包括基础实战案例和进阶实战案例。 本书按基础-进阶-应用的逻辑脉络组织内容，融理论性、系统性、实战性于一体，适合人工智能、计算机、自动化、电子与通信、大数据科学等相关专业的科学研究人员和工程技术人员阅读，也可作为相关专业博士、硕士研究生的教学参考书。
-----
第1章Python环境与基础1 1.1Python语言的开发环境1 1.1.1Jupyter Notebook1 1.1.2OpenCV1 1.1.3TensorFlow2 1.1.4PyTorch3 1.1.5Paddle Paddle7 1.2Python基础知识8 1.2.1Python编程基础8 1.2.2Python函数进阶15 1.3基于Python的数据分析与可视化22 1.3.1Python的数据分析库与数据可视化库22 1.3.2基于Python的数据分析23 1.3.3基于Python的数据可视化23 1.4基于Python的聚类算法25 1.4.1聚类分析25 1.4.2聚类算法25 第2章机器学习37 2.1机器学习的发展38 2.2机器学习的问题描述39 2.3机器学习的理论基础与主要方法39 2.3.1机器学习的理论基础39 2.3.2机器学习的主要方法40 2.3.3机器学习的经典模型42 2.3.4机器学习的知识图谱44 2.3.5机器学习的三要素46 2.4机器学习的基本流程46 2.4.1机器学习的训练流程46 2.4.2模型训练的注意事项48 2.5数据挖掘及其基本步骤49 2.5.1数据挖掘49 2.5.2预测建模51 2.5.3数据挖掘的基本步骤52 2.6机器学习和数据挖掘的常用工具53 目录· ··深度学习与图像处理：基础、进阶与案例实战 第3章图像处理基础55 3.1图像去模糊55 3.1.1图像模糊类型55 3.1.2图像模糊退化模型57 3.1.3图像先验知识58 3.2图像去噪60 3.2.1噪声模型60 3.2.2传统的图像去噪方法63 3.2.3去噪效果评价指标63 3.3图像全色锐化64 3.3.1成分替换法64 3.3.2GIHS变换融合65 3.3.3PCA变换融合66 3.3.4GS变换融合67 3.3.5多分辨率分析法67 3.3.6小波变换法68 3.3.7模型优化法69 3.4图像修复73 3.4.1图像修复概念73 3.4.2传统的图像修复算法73 3.4.3常用的图像修复数据集74 第4章深度学习基础75 4.1神经网络75 4.1.1生物神经元与人工神经元76 4.1.2感知器78 4.2神经网络的训练与优化80 4.2.1神经网络的训练80 4.2.2神经网络的优化算法81 4.3反向传播算法86 4.3.1反向传播算法思想86 4.3.2反向传播算法过程87 4.4欠拟合与过拟合89 4.4.1基本概念90 4.4.2以减少特征变量的方法防止过拟合91 4.4.3以权重正则化的方法防止过拟合92 4.4.4以交叉验证的方法防止过拟合92 4.4.5以Dropout正则化的方法防止过拟合94 4.4.6贝叶斯正则化95 第5章深度神经网络98 5.1深度神经网络概述98 5.1.1深度神经网络的工作原理98 5.1.2深度神经网络的主要模型101 5.2卷积神经网络102 5.2.1输入层102 5.2.2隐藏层103 5.2.3输出层（全连接层）112 5.3卷积神经网络算法113 5.3.1链式法则113 5.3.2梯度下降与反向传播算法113 5.3.3卷积层的误差传递115 5.3.4卷积层权重梯度的计算116 5.3.5池化层的误差传递117 5.4卷积神经网络的训练与优化118 5.4.1卷积神经网络的工作流程118 5.4.2训练与优化118 5.4.3卷积神经网络与人工神经网络的比较120 第6章图神经网络121 6.1图神经网络概述121 6.1.1图神经网络的出现与发展121 6.1.2图神经网络123 6.2经典的图神经网络124 6.2.1图卷积网络124 6.2.2图样本和聚合125 6.2.3图注意力网络129 6.3其他图神经网络模型131 6.3.1无监督的节点表示学习131 6.3.2图池化140 第7章空洞多级卷积神经网络143 7.1空洞多级模块143 7.1.1空洞卷积143 7.1.2空洞多级模块结构145 7.2基于卷积神经网络的高效Pan-sharpening模型146 7.2.1数据集146 7.2.2超参数设置与网络结构选择148 7.2.3代价函数及其求解150 7.3深度学习结合模型优化的Pan-sharpening模型150 7.3.1基于梯度域的线性Pan-sharpening模型优化算法151 7.3.2基于深度梯度先验的Pan-sharpening模型优化算法154 7.4多尺度空洞深度卷积神经网络160 7.4.1SRCNN160 7.4.2超分辨率多尺度空洞卷积神经网络161 7.4.3多尺度多深度空洞卷积神经网络164 第8章深度强化学习167 8.1组成与结构167 8.1.1基本概念167 8.1.2马尔可夫决策过程168 8.1.3数学基础169 8.1.4策略迭代170 8.1.5值迭代171 8.2深度学习与强化学习171 8.2.1深度学习与强化学习之不同172 8.2.2深度学习与强化学习之结合173 8.3基于值函数的深度强化学习173 8.3.1深度Q学习174 8.3.2DQN与Q学习的区别176 8.3.3改进深度Q网络176 8.4基于策略梯度的深度强化学习184 8.4.1深度确定性策略梯度算法185 8.4.2异步深度强化学习算法187 8.4.3信赖域策略优化及其衍生算法191 第9章深度生成对抗网络198 9.1生成对抗网络198 9.1.1生成网络199 9.1.2鉴别网络200 9.1.3损失函数201 9.2多尺度生成对抗网络201 9.2.1多尺度结构201 9.2.2多尺度生成对抗网络结构202 9.2.3损失函数204 9.3深度卷积生成对抗网络204 9.3.1DCGAN的优化205 9.3.2DCGAN的改进206 9.3.3DCGAN的设计206 9.4半监督深度卷积生成对抗网络206 9.4.1YOLOv5网络结构207 9.4.2改进的YOLOv5网络212 9.4.3半监督YOLOv5网络220 9.5深度强化对抗学习网络223 9.5.1Exposure图像增强模型224 9.5.2相对对抗学习及奖励函数226 9.5.3评论家正则化策略梯度算法227 9.5.4网络结构228 第10章基础实战案例229 10.1Python开发环境的安装与验证229 10.1.1Python安装229 10.1.2OpenCV安装与验证232 10.1.3TensorFlow安装与验证234 10.2基于PCA-BP神经网络的数字仪器识别技术249 10.2.1表盘区域提取250 10.2.2图像预处理250 10.2.3字符识别251 10.2.4字符识别的神经网络251 10.2.5实验设计254 第11章进阶实战案例256 11.1基于深度卷积神经网络的遥感图像分类256 11.1.1基于卷积神经网络的遥感图像识别256 11.1.2基于改进AlexNet网络的遥感图像分类257 11.1.3仿真实验与结果分析260 11.2基于多尺度级联生成对抗网络的水下图像增强265 11.2.1网络结构和损失函数265 11.2.2仿真实验与结果分析268 11.2.3消融实验276 11.3基于多层次卷积特征融合与高置信度更新的跟踪276 11.3.1基于多层次卷积特征融合与高置信度更新的跟踪算法277 11.3.2仿真实验与结果分析280 11.4基于图生成对抗卷积网络的半监督睡眠分期289 11.4.1睡眠信号基本理论290 11.4.2GSGANet模型295 11.4.3仿真实验与结果分析300 11.5基于密集连接的序列稀疏化Transformer行人重识别306 11.5.1密集连接的稀疏Transformer模型307 11.5.2仿真实验与结果分析311 11.6基于改进YOLOv5网络的无人机图像检测317 11.6.1问题与解决思路318 11.6.2算法原理318 11.6.3仿真实验与结果分析321 11.7基于级联多尺度特征融合残差网络的图像去噪326 11.7.1问题与解决思路327 11.7.2模型与架构分析328 11.7.3仿真实验与结果分析332 参考文献337 附录341

郭业才，男，教授，博导。2003年获西北工业大学水声工程专业博士学位，全国优秀百篇博士学位论文获得者，安徽省学术与技术带头人，江苏省“六大人才高峰”培养对象，江苏省高校“信息与通信工程”优势建设项目方向带头人。主持完成或承担了全国优秀博士学位论文作者专项资金、国家自然科学基金等科研项目和、省级教学研究项目等，共20余项；获省级科学技术成果奖和教学成果奖9项；出版规划教材1部、教育部电子信息类教指委规划教材5部及省重点教材2部；获授权发明专利30余件；指导的研究生有5人获省级优秀硕士学位论文奖。

本书围绕深度学习在图像处理领域的最新研究成果，从科学性、系统性、应用性和进阶性四个视角进行了全面阐述。从科学性视角出发，详细介绍了深度学习网络进阶模型的原理与特征；从系统性视角出发，本书所涉及的各种深度学习网络均起始于结构剖析，侧重于原理论述，落脚于方法在图像处理领域的应用，形成了完整的体系结构；从应用性视角出发，本书以图像处理中的最新应用为实战案例，展示了用深度学习解决图像处理问题的全过程，实现了抽象问题具体化和理论问题可视化；从进阶性视角出发，本书从Python语言的基础开始，逐步延伸到机器学习、图像处理基础、标准深度学习模型、进阶深度学习模型以及应用实战，扩展了深度学习网络的功能，提升了应用实效。这些内容为研究人员提供了创新思路和方法。

1